komparasi algoritma lda dan naïve bayes dengan - E

INFORMATIKA. Vol. II, No. 2, September 2015
KOMPARASI ALGORITMA LDA DAN
NAÏVE BAYES DENGAN OPTIMASI FITUR
UNTUK KLASIFIKASI
CITRA TUNGGAL PAP SMEAR
Yudi Ramdhani
Universitas BSI Bandung, [email protected]
ABSTRACT - Cervical cancer is the growth of a group of abnormal cells on the cervix
(cervical). According to the WHO (2003), Indonesia is a country with cervical cancer the
number one in the world. Algorithm applied in image classification algorithm using the
Pap Smear Linear Discriminant Analysis (LDA) and Naïve Bayes algorithm, Genetic
Algorithm uses feature selection. The results obtained using the LDA algorithm and
Naïve Bayes algorithm do comparisons, the results obtained that the LDA algorithm
better than the Naïve Bayes algorithm for image classification is a Pap Smear. The
results of the classification into 7 classes have the highest value 62,92% while for the
highest classification in the classification of the image of a Pap Smear with 95,87%
accuracy rating, there are still difficulties for the classification of Abnormal (4, 5, 6, 7)
and the value of accuracy 60,15%. The low accuracy against abnormal class affects the
classification into 7 classes.
Key Words: Cervical Cancer, Pap Smears, Linear Discriminant Analysis (LDA), Naïve
Bayes, Genetic Algorithm.
ABSTRAKSI - Kanker serviks merupakan pertumbuhan dari suatu kelompok sel yang
tidak normal pada serviks (mulut rahim). Menurut WHO (2003) Indonesia merupakan
negara dengan penderita kanker mulut rahim nomor satu di dunia. Algoritma yang
diterapkan dalam klasifikasi citra Pap Smear menggunakan algoritma Linear
Discriminant Analysis (LDA) dan algoritma Naïve Bayes, seleksi fitur menggunakan
Genetic Algorithm. Hasil yang diperoleh menggunakan algoritma LDA dan algoritma
Naïve Bayes dilakukan komparasi, hasil yang diperoleh bahwa algoritma LDA lebih baik
dibandingkan dengan algoritma Naïve Bayes untuk klasifikasi citra Pap Smear. Hasil
klasifikasi ke dalam 7 kelas memiliki nilai tertinggi 62.92% sedangkan untuk klasifikasi
tertinggi pada klasifikasi citra Pap Smear dengan nilai akurasi 95.87% tetapi masih
terdapat kesulitan untuk klasifikasi Abnormal (4,5,6,7) dengan nilai akurasi 60.15%.
Akurasi yang rendah terhadap kelas abnormal mempengaruhi klasifikasi kedalam 7 kelas.
Kata Kunci: Kanker Serviks, Pap Smear, Linear Discriminant Analysis (LDA), Naïve
Bayes, Genetic Algorithm.
I.
PENDAHULUAN
Kanker
serviks
merupakan
pertumbuhan dari suatu kelompok sel
yang tidak normal pada serviks (mulut
rahim). Menurut WHO (2003) Indonesia
merupakan negara dengan penderita
kanker mulut rahim nomor satu di dunia
(Intansari, Purnami, & Wulandari, 2012).
Di Indonesia, prevalensi penyakit kanker
juga cukup tinggi. Berdasarkan data Riset
Kesehatan Dasar tahun 2013, kanker
ISSN : 2355 - 6579
yang
paling
sering
menyerang
perempuan adalah kanker payudara dan
kanker serviks dengan 5.349 kasus
(12,8%) untuk kanker serviks (Dewi &
Purnami, 2015).
Pencegahan penyakit ini dapat
dilakukan dengan deteksi dini melalui tes
pap smear. Keluaran dari tes pap smear
adalah citra sel serviks. Dari citra sel
serviks yang dihasilkan, dapat ditentukan
sel serviks tersebut masuk dalam kategori
434
INFORMATIKA. Vol. II, No. 2, September 2015
normal atau kanker. Deteksi sel serviks
sebagai sel normal atau sel kanker dapat
dilakukan melalui dua cara, yakni
melalui pengamatan visual, maupun
dengan
bantuan
komputer.
Pada
umumnya, deteksi kanker serviks
dilakukan
oleh
dokter
melalui
pengamatan visual (Dharmawan, 2014).
Suatu prosedur pap smear konvensional
yang dilakukan dengan sangat baik dapat
menghasilkan akurasi hasil sebesar 76%
sampai dengan 94%
(Andrijono, H.
Nurwijaya, & H. Suheimi, 2010). Oleh
karena itu diperlukan suatu penelitian
untuk mendapatkan suatu model yang
mampu meng-klasifikasikan hasil pap
smear
dengan
tingkat
kesalahan
klasifikasi yang minimal
(Dewi &
Purnami, 2015).
Data mining dapat diaplikasikan di
bidang
kesehatan
misalnya mendiagnosis penyakit kanker payudara,
penyakit jantung, penyakit diabetes dan
lain-lain
(Larose, 2005). Kesukaran
klasifikasi
untuk
tujuh
kelas
dimungkinkan karena jumlah 20 fitur
yang memiliki kombinasi yang cukup
beragam dalam sebaran tujuh kategori.
(Zhang & Srihari, 2002). Algoritma
genetika merupakan salah satu algoritma
optimasi seleksi fitur. salah satu proses
seleksinya adalah dengan mengambil
beberapa individu terbaik. selain itu juga
dapat
dilakukan
dengan
proses
pengambilan acak proporsional, dengan
proporsi
setara
dengan
proporsi
kualitasnya. (Sartono, 2010). Linear
Discriminant Analysis merupakan sebuah
metode dalam mengekstraksi ciri suatu
objek. Dalam mengekstraksi ciri, LDA
membagi beberapa kelas dalam pencarian
ciri, LDA memiliki ketepatan yang
sangat tinggi dalam mengenali wajah
seseorang (Brilian, Huda, & Taufik,
2014).
II. KAJIAN LITERATUR
Menggunakan metode Naïve Bayes
untuk mengidentifikasi sel normal dan
abnormal serta me-ngelompokkannya ke
dalam tujuh kelas yang lebih spesifik.
Metode
klasifikasi
Naïve
Bayes
memberikan hasil yang memuaskan pada
klasifikasi dua kelas target, tetapi metode
ISSN : 2355 - 6579
ini belum memberikan hasil yang baik
untuk klasifikasi tujuh kelas target
(Auliani, 2014). Dwiza Riana pada tahun
2010
dalam
penelitiannya
model
klasifikasi
multi
tahap
dengan
memanfaatkan
analisa
Importance
Performance Analysis sebagai basis
klasifikasi baru yang dapat melakukan
proses klasifikasi menjadi 7 kelas citra
tunggal Pap Smear dengan menggunakan
data 210 citra Pap Smear dengan sample
30 disetiap kelas dengan tingkat akurasi
mencapai 86,71% dengan empat rule
independen. Mansoori, Suman, Mishra
(2014) dalam penelitiannya, algoritma
yang digunakan untuk klasifikasi sel
kanker dengan menerapkan Genetic
Algorithm untuk seleksi fitur dan
kemudian mengklasifikasikan sel-sel
sehat dan sel-sel kanker menggunakan
algoritma SVM (Support Vector
Machine). Genetic Algorithm adalah
metode yang lebih baik untuk seleksi
fitur dan optimasi parameter. Fitur yang
terbaik yang dipilih digunakan oleh SVM
digunakan untuk klasifikasi pada dataset
training untuk meng-klasifikasikan sel.
Hasilnya me-nunjukkan efektivitas kerja
metode ini adalah memberikan akurasi
yang tinggi untuk memilih 20 fitur.
A.
Kanker Serviks
Kanker serviks adalah tidak
terkontrolnya pertumbuhan siklus sel
yang ada pada leher rahim (abnormal).
Kanker serviks disebut juga kanker leher
rahim atau kanker mulut rahim mulai
tumbuh pada lapisan serviks. Kanker
serviks terbentuk sangat perlahan dan
sangat sulit terdeteksi di awal kecuali
terjadi infeksi pada fisik. Pertama,
tumbuhnya siklus sel kanker yang ada
dalam tubuh berubah dari keadaan
normal menjadi sekumpulan sel-sel prakanker yang kemudian berkembang
menjadi sel kanker. Keadaan perubahan
sel kanker ini terjadi secara kontinu,
bertahap, dan memerlukan waktu yang
bertahun-tahun, atau bahkan tidak jarang
pertumbuhan siklus sel kanker ini
berlangsung dalam kurun waktu yang
relatif cepat. Hal ini disebabkan karena
sistem kerja imunitas (daya tahan tubuh)
setiap orang berubahubah. Perubahan ini
435
INFORMATIKA. Vol. II, No. 2, September 2015
sering disebut displasia. Mereka dapat
ditemukan dengan tes Pap Smear dan
dapat diobati untuk mencegah terjadinya
kanker (Ramdani & Purnami, 2014).
Data Mining
Data Mining merupakan teknologi
baru yang sangat berguna untuk
membantu
perusahaan-perusahaan
menemukan informasi yang sangat
penting dari gudang data mereka.
Beberapa aplikasi data mining fokus pada
prediksi, mereka meramalkan apa yang
akan terjadi dalam situasi baru dari data
yang menggambarkan apa yang terjadi di
masa lalu (Witten & Frank, 2011). Data
mining
merupakan
bagian
dari
Knowledge Discovery Data (KDD) yang
merupakan proses ekstraksi informasi
yang
berguna,
tidak
diketahui
sebelumnya, dan tersembunyi dari data
(Bramer,
2013)
dan
juga
mengembangkan model yang digunakan
untuk memahami fenomena dari analisis
data dan prediksi (Maimon & Rokach,
2010).
Pada gambar 2.3 Dapat dilihat bahwa
proses CRISP-DM terdiri dari enam
tahap, yaitu (Larose, 2006):
1. Tahap Business Understanding
Tahap business understanding
disebut juga sebagai tahap research
understranding, dalam tahap ini
ditentukan tujuan dan requirement secara
detail pada keseluruhan penelitian,
merumuskan masalah data mining, dan
menyiapkan
strategi
awal
untuk
mencapai tujuan yang telah ditentukan.
2. Tahap Data Understanding
Pada tahap ini mulai dilakukan
proses pengumpulan data, menganalisis
data, mengevaluasi kualitas data, dan
memilih
subset
yang
mungkin
mengandung pola yang ditindaklanjuti.
3. Tahap Data Preparation
Pada tahap ini data akhir yang akan
digunakan pada tahap berikutnya mulai
disiapkan, memilih kasus dan variabel
yang sesuai dengan analisis yang akan
dilakukan, melakukan transformasi pada
variabel tertentu jika diperlukan, dan
membersihkan data mentah sehingga siap
untuk digunakan sebagai alat pemodelan.
C.
D.
B.
Metodologi Penelitian Data
Mining
Metode data mining dan model
melanjutkan cakupan data mining
sebagai suatu proses, standar proses yang
digunakan adalah kerangka kerja CRISPDM. Dalam CRISP-DM data mining
dilihat sebagai proses keseluruhan dari
komunikasi masalah bisnis hingga
penerapan model (Larose, 2006).
Feature Selection
Seleksi fitur adalah terkait erat
dengan masalah pengurangan dimensi
dimana
tujuannya
adalah
untuk
mengidentifikasi fitur dalam kumpulan
data-sama pentingnya, dan membuang
fitur lain seperti informasi yang tidak
relevan dan berlebihan dan akurasi dari
seleksinya pada masa depan dapt
ditingkatkan (Maimon & Rokach, 2010).
Seleksi fitur adalah salah satu faktor yang
paling penting yang dapat mempengaruhi
tingkat akurasi klasifikasi karena jika
dataset berisi sejumlah fitur, dimensi
ruang akan menjadi besar dan non-bersih,
merendahkan tingkat akurasi klasifikasi
(Liu, Wang, Chen, Dong, Zhu, & Wang,
2011).
E.
Gambar 2.3. Proses CRISP-DM
Sumber : Larose, 2006
ISSN : 2355 - 6579
Genetic Algorithms (GA)
Algoritma
Genetika
adalah
algoritma yang digunakan untuk proses
pencarian dan optimasi yang didasarkan
pada prinsip genetika dan proses seleksi
secara natural. Algoritma genetika
membuat populasi yang tersusun dari
436
INFORMATIKA. Vol. II, No. 2, September 2015
banyak individu yang berevolusi menurut
aturan seleksi tertentu yang mempunyai
ketetapan optimasi dan nilai. (Weise,
2009).
F.
Linear Discriminant Analysis
Linear Discriminant Analysis
(LDA) pertama kali diterapkan pada
proses pengenalan wajah oleh Etemad
dan Chellapa. LDA bekerja berdasarkan
analisa matrik penyebaran (scatter matrix
analysis) yang bertujuan menemukan
suatu proyeksi optimal yang dapat
memaksimumkan penyebaran antar kelas
dan meminimumkan penyebaran dalam
kelas data wajah. Algoritma LDA
memiliki
karakteristik
perhitungan
matriks yang hampir sama dengan PCA.
Perbedaan dasarnya adalah pada LDA
diusahakan adanya perbedaan yang
minimum dari citra dalam kelas.
Perbedaan antar kelas direpresentasikan
oleh matriks Sb (scatter between class)
dan
perbedaan
dalam
kelas
direpresentasikan oleh matriks Sw (scatter
within class). Matriks covariance
didapatkan dari kedua matriks tersebut.
Untuk memaksimalkan jarak antar kelas
dan meminimumkan jarak dalam kelas
digunakan suatu discriminant power
(Kusuma & Wirawan, 2008).
G. Naïve Bayes
Naive Bayes merupakan metode
yang tidak memiliki aturan (Alfisahrin,
2014). Naive Bayes menggunakan cabang
matematika yang dikenal dengan teori
probabilitas untuk mencari peluang
terbesar dari kemungkinan klasifikasi,
dengan cara melihat frekuensi tiap
klasifikasi pada data training. Naive
Bayes merupakan metode klasifikasi
populer dan masuk dalam sepuluh
algoritma terbaik dalam data mining (Wu
& Kumar, 2009). Algoritma ini juga
dikenal dengan nama Idiot’s Bayes,
Simple Bayes, dan Independence Bayes
(Bramer, 2013).
Klasifikasi Naive Bayes adalah
pengklasifikasian statistik yang dapat
digunakan
untuk
memprediksi
probabilitas keanggotaan suatu class.
Klasifikasi Bayesian didasarkan pada
teorema Bayes, diambil dari nama
seorang ahli matematika yang juga
ISSN : 2355 - 6579
menteri Prebysterian Inggris, Thomas
Bayes (1702-1761) (Bramer, 2013).
Klasifikasi
bayesian
memiliki
kemampuan klasifikasi serupa dengan
decision tree dan neural network
(Alfisahrin, 2014).
III. METODE PENELITIAN
A. Desain Penelitian
Pengertian
penelitian
dalam
akademik
yaitu
digunakan
untuk
mengacu pada aktivitas yang rajin dan
penyelidikan sistematis atau investigasi
di suatu daerah, dengan tujuan
menemukan atau merevisi fakta, teori,
aplikasi dan tujuannya adalah untuk
menemukan
dan
menyebarkan
pengetahuan baru (Berndtsson, Olsson, &
Lundell, 2008).
B.
Pengumpulan Data
Data yang digunakan untuk training
dan testing merupakan data public yang
diklasifikasikan dengan hati-hati oleh
cyto-technicians dan dokter. Untuk
meningkatkan klasifikasi citra sel Pap
Smear dalam eksperimen ini digunakan
data Herlev 917(Samuel, Mathew, dan
Sreekumar, 2014). Citra Pap Smear
diklasifikasikan kedalam 7 kelas yaitu:
Normal Superficial, Normal Intermediat,
Normal Colummar, Mild (Light)
Dyplasia, Moderate Dyplasia, Servere
Dyplasia dan Carcinoma In Situ dengan
citra sebanyak 917. Data diperoleh dari
Herlev University Hospital, Denmark
yang diperoleh melalui halaman website :
http://labs.fme.aegean.gr/decision/downl
oads.
C.
Metode yang Diusulkan
Dalam penelitian ini akan memilih
dan menerapkan teknik yang tepat untuk
klasifikasi citra Pap Smear. Tahap
pertama dalam penelitian ini adalah
membagi dataset citra sel Pap Smear
dengan membagi dua yaitu, data traning
dan data testing. Langkah selanjutnya
adalah melakukan seleksi fitur terbaik
dalam dataset citra Pap Smear
menggunakan Genetic Algorithms (GA).
Kemudian fitur yang telah diseleksi
dilakukan diklasifikasi menggunakan
algoritma Linear Discriminant Analysis
437
INFORMATIKA. Vol. II, No. 2, September 2015
(LDA) dan Naïve Bayes , model terbaik
dari hasil klasifikasi dibandingkan untuk
melihat model yang terbaik dari hasil
klasifikasi. Hasil dari klasifikasi akan
diukur dengan nilai akurasi. Desain
penelitian dapat dilihat pada gambar 3.1.
Gambar 3.1 Desain Penelitian
Tabel 4.1 Hasil Klasfikasi Algoritma
LDA dan Naïve Bayes
Algoritma
No Klasifikasi
Naïve
LDA
Bayes
1
7 Kelas
59.21%
55.51%
3
Normal
dan
Abnormal
90.08%
91.60%
2
Normal
1,2,3
93.80%
93.39%
4
Kelas
Abnormal
4, 5, 6, 7
58.07%
50.81%
Setelah melakukan analisa terhadap
hasil eksperimen maka diperoleh nilai
tertinggi sebesar 93.80%
dengan
klasifikasi
kelas
Normal
(1,2,3).
Algoritma Naïve Bayes menggunguli
algoritma LDA dengan hasil klasifikasi
91.60% dengan klasifikasi kelas Normal
dan Abnormal. Sedangkan klasifikasi
dengan 7 kelas memiliki akurasi terbesar
59.21% memiliki akurasi yang kurang
baik untuk klasifikasi citra Pap Smear
untuk itu dilakukan perbaikan akurasi
pada langkah berikutnya.
Untuk meningkatkan hasil klasifikasi maka dilakukan seleksi fitur
menggunakan Genetic Algorithm (GA).
Hasil dari klasifikasi citra Pap Smear
menggunakan algoritma LDA dan Naïve
Bayes
dengan seleksi fitur menggunakan Genetic Algorithm dapat dilihat
dari table 4.2.
IV. PEMBAHASAN
Dalam penelitian ini akan dilakukan
eksperimen
seleksi fitur
menggunakan Genetic Algorithm dan
klasifikasi Pap Smear menggunakan
algoritma LDA dan Naïve Bayes .
Hasil penelitian klasifikasi citra Pap
Smear menggunakan algoritma LDA dan
Naïve Bayes
telah dilakukan, hasil
perbandingan masing-masing klasifikasi
dapat dilihat pada tabel 4.1.
ISSN : 2355 - 6579
438
INFORMATIKA. Vol. II, No. 2, September 2015
Tabel 4.2 Hasil klasifikasi Algoritma
LDA dan Naïve Bayes dengan GA
No
Klasifikasi
Algoritma
LDA + GA
1
7 Kelas
3
Normal dan
Abnormal
Normal
1,2,3
Kelas
Abnormal
4, 5, 6, 7
2
4
62.92%
Naïve
Bayes +
GA
62.16%
91.06%
93.02%
95.87%
95.04%
60.15%
57.33%
Setelah melakukan analisa terhadap
hasil eksperimen maka diperoleh nilai
tertinggi dari klasifikasi sebesar 95.87%
dengan klasifikasi kelas Normal (1,2,3).
Algoritma Naïve Bayes
menungguli
algoritma LDA dengan nilai klasifikasi
93,02% dengan klasifikasi kelas Normal
dan
Abnormal. Sedangkan untuk
klasifikasi 7 kelas sebesar 62.92%
menggunakan algoritma LDA.
Setelah melakukan eksperimen
menggunakan algoritma LDA dan Naïve
Bayes untuk klasifikasi citra Pap Smear
dan algoritma seleksi fitur menggunakan
GA maka dilakukan komparasi hasil
klasifikasi dengan hasil yang diperoleh
pada table 4.3.
Tabel 4.3 Hasil Komparasi Algoritma
LDA dan Naïve Bayes
Klasifikasi
7 Kelas
Normal dan
Abnormal
Normal
1,2,3
Kelas
Abnormal
4, 5, 6, 7
Algoritma
LDA
+ GA
LDA
Naïve
Bayes
59.2
1%
90.0
8%
Naïve
Bayes
+ GA
62.16
%
93.02
%
62.92
%
91.06
%
95.87
%
60.15
%
93.8
0%
58.0
7%
95.04
%
57.33
%
93.39
%
50.81
%
55.51
%
91.60
%
Hasil yang diperoleh setelah
melakukan
klasifikasi menggunakan
algorima klasifikasi LDA dan Naïve
Bayes dengan menggunakan seleksi fitur
GA dan tanpa menggunakan seleksi fitur
GA dapat terlihat bahwa menggunakan
seleksi
fitur
meng-gunakan
GA
meningkatkan hasil akurasi dengan nilai
sebesar 62.92% untuk klasfikasi 7 kelas,
ISSN : 2355 - 6579
sedangkan
dengan
menggunakan
algoritma LDA tanpa menggunakan
seleksi fitur GA memiliki nilai sebesar
59.21%. Nilai tertinggi dari hasil
klasifikasi
adalah
95.87%
untuk
klasifikasi normal (1,2,3).
V. PENUTUP
A. Kesimpulan
Dalam penelitian ini telah dilakukan
pengujian model klasifikasi citra Pap
Smear dengan menggunakan algoritma
LDA dan Naïve Bayes da seleksi fitur
menggunakan Genetic Algorithm dengan
hasil penelitian sebagai berikut:
1. Model klasifikasi 7 kelas (Normal
Superficial, Normal Intermediat,
Normal Colummar, Mild (Light)
Dyplasia, Moderate Dyplasia,
Servere Dyplasia dan Carcinoma In
Situ) menggunakan algoritma LDA
dengan nilai akurasi tertinggi
62.92%.
2. Model klasifikasi Normal (Normal
Superficial, Normal Intermediat,
Normal Colummar) dan Abnormal
(Mild (Light) Dyplasia, Moderate
Dyplasia, Servere Dyplasia dan
Carcinoma In Situ) menggunakan
algoritma klasifikasi Naïve Bayes
dan seleksi fitur menggunakan
Genetic Algorithm dengan nilai
akurasi tertinggi 93.02%.
3. Model klasifikasi Normal (Normal
Superficial, Normal Intermediat,
Normal Colummar) menggunakan
algoritma klasifikasi LDA dan
seleksi fitur menggunakan Genetic
Algorithm dengan nilai akurasi
tertinggi 95.87%.
4. Model klasifikasi Abnormal 4, 5, 6,
7 (Mild (Light) Dyplasia, Moderate
Dyplasia, Servere Dyplasia dan
Carcinoma In Situ) menggunakan
algoritma klasifikasi LDA dan
seleksi fitur menggunakan Genetic
Algorithm dengan nilai akurasi
tertinggi 60.15%.
Hasil
yang
diperoleh
dari
eksperimen
menunjukan
bahwa
klasifikasi tertinggi terhadap klasifikasi
Normal (1,2,3) dengan akurasi 95.87%.
tetapi masih terdapat kesulitan untuk
klasifikasi Abnormal (4,5,6,7) dengan
439
INFORMATIKA. Vol. II, No. 2, September 2015
nilai akurasi 60.15%. Akurasi yang
rendah
terhadap
kelas
abnormal
mempengaruhi klasifikasi kedalam 7
kelas.
Algoritma LDA memiliki akurasi
yang baik untuk mengklasfikasikan data
kedalam Polynominal atau memiliki
klasifikasi lebih dari 2 pilihan, sedangkan
Naïve Bayes memiliki akurasi yang baik
terhadap klasifikasi Binominal atau
klasifikasi terhadap 2 pilihan.
B. Saran
Diketahui bahwa algoritma klasifikasi
LDA memiliki akurasi yang tinggi untuk
klasifikasi citra Pap Smear, namun untuk
penelitian selanjutnya hal-hal berikut
dapat ditambahkan untuk meningkatkan
akurasi dan efektifitas klasifikasi citra
Pap Smear dapat dilakukan, diantaranya:
1. Menggunakan metode optimasi
bobot, optimasi parameter, dan
seleksi fitur dengan menggunakan
algoritma lainnya seperti seperti
Particle Swarm Optimimization,
Greedy dan lain-lainnya.
2. Menggunakan algoritma klasifikasi
lainnya
untuk
meningkatkan
klasifikasi citra Pap Smear.
REFERENCE
Alfisahrin, S. N. (2014). Komparasi
Algoritma C4.5, Naive Bayes dan
Neural
Network
Untuk
Memprediksi Penyakit Jantung.
Jakarta: Pascasarjana Magister
Ilmu Komputer STMIK Nusa
Mandiri.
Andrijono, H. Nurwijaya, & H. Suheimi.
(2010). Cegah dan Deteksi
Kanker. Jakarta: Elex Media.
Auliani, D. L. (2014). Deteksi Kanker
Serviks Berdasarkan Citra Sel
Pap Smear Dengan Klasifikasi
Naïve Bayes.
Berndtssom, M., Hansson, J., Olsson, B.,
& Lundell, B. (2008). A Guide
For Students In Computer
Science
And
Information
Systems. London: Springer.
Bramer, M. (2013). Pronciple of Data
Mining Second Edition. London:
Springer.
Brilian, F., Huda, A. F., & Taufik, I.
(2014).
Sistem
Pengenalan
Wajah Dengan Menggunakan
ISSN : 2355 - 6579
Metode Linear Discriminant
Analysis (LDA).
Dewi, M. R., & Purnami, S. W. (2015).
Klasifikasi Hasil Pap Smear Test
sebagai Upaya Pencegahan
Sekunder
Penyakit
Kanker
Serviks di Rumah Sakit “X”
Surabaya
Menggunakan
Piecewise Polynomial Smooth
Support
Vector
Machine
(PPSSVM). JURNAL SAINS
DAN SENI ITS, 61-66.
Dharmawan, D. A. (2014). Deteksi
Kanker
Serviks
Otomatis
Berbasis Jaringan Saraf Tiruan
LVQ dan DCT. JNTETI, 269272.
Faried, A. (2012). Bagaimana mereka
(sel kanker) berjalan? 1-6.
Intansari, I. A., Purnami, S. W., &
Wulandari, S.
P. (2012).
Klasifikasi Pasien Hasil Pap
Smear Test sebagai Pendeteksi
Awal Upaya Penanganan Dini
pada Penyakit Kanker Serviks di
RS. “X” Surabaya dengan
Metode
Bagging
Logistic
Regression. JURNAL SAINS
DAN SENI ITS, 277-282.
Kusuma, H., & Wirawan. (2008). Teknik
Pengenalan
Wajah
dengan
Metoda Subspace LDA (Linear
Discriminant Analysis).
Larose, D.
(2005).
Discovering
Knowledge in Data: An
Introduction to Data Mining.
United States of America: John
Wiley & Sons, Inc.
Larose, D. (2006). Data Mining Methods
And Models. Hoboken, New
Jersey: John Wiley & Sons, Inc.
Maimon, O., & Rokach, L. (2010). Data
Mining
and
Knowledge
Discovery Handbook Second
Edition. New York: Springer.
Mansoori, T. K., Suman, A., & Mishra,
S. K. (2014). Feature Selection
by Genetic Algorithm and SVM
Classification
for
Cancer
Detection. International Journal
of Advanced Research in
Computer Science and Software
Engineering Vol 4, 357-365.
Mustafa, N., Isa, N. M., Mashor, M., &
Othman, N. (2007). New
Features of Cervical Cells for
Cervical Cancer Diagnostic
System Using Neural Network.
Ramdani, Y., & Purnami, S. W. (2014).
Klasifikasi Hasil Pap Smear Test
440
INFORMATIKA. Vol. II, No. 2, September 2015
Kanker Serviks Berdasarkan
Faktor Resiko (Studi Kasus Di
Rumah Sakit Swasta Surabaya).
1-6.
Riana, D. (2010). Hierarchical Decision
Approach
Berdasarkan
Importance
Performance
Analysis Untuk Klasifikas Citra
Tunggal
Pap
Smear
Menggunakan Fitur Kuantitatif
dan
Kualitatif.
Depok
:
Universitas Indonesia: Tesis
Tidak Terpublikasi.
Samuel, S. S., Mathew, A. V., &
Sreekumar,
S.
(2014).
Comparative Study Between
Sparse
Representation
Classification
and
Classical
Classifiers on Cervical Cancer
Cell Images.
International
Journal of Advanced Research in
Computer and Communication
Engineering.
ISSN : 2355 - 6579
Sartono,
B.
(2010).
Pengenalan
Algoritma
Genetik
Untuk
Pemilihan
Peubah
Penjelas
Dalam
Model
Regresi
Menggunakan SAS/IML. Forum
Statistika dan Komputasi, 10-15.
Witten, I., & Frank, E. (2011). Data
Mining Practical Machine
Learning Tools and Techniques
3rd Edition. Burlington, Usa:
Morgan Kaufmann Publishers.
Wu, X., & Kumar, V. (2009). The Top
Ten Algorithms in Data Mining.
New York: CRC Press.
Zhang, B., & Srihari, S. N. (2002). ClassWise
Multi-Classifier
Combination
Based
On
Dempster-Shafer Theory. In
Proceedings
The
Seventh
International Conference On
Control, Automation, Robotics
And Vision.
441